CN111627031A - 基于瓦屋状多边形的作物根系表型分析装置及方法 - Google Patents

基于瓦屋状多边形的作物根系表型分析装置及方法 Download PDF

Info

Publication number
CN111627031A
CN111627031A CN202010478994.3A CN202010478994A CN111627031A CN 111627031 A CN111627031 A CN 111627031A CN 202010478994 A CN202010478994 A CN 202010478994A CN 111627031 A CN111627031 A CN 111627031A
Authority
CN
China
Prior art keywords
root system
image
root
point
pixel point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010478994.3A
Other languages
English (en)
Other versions
CN111627031B (zh
Inventor
张卫正
张伟伟
麦欢欢
李灿林
刘岩
杨学冬
李萌
张保威
王永华
万瀚文
张秋闻
李志刚
文笑雨
金保华
钱慎一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Technology
Zhengzhou University of Light Industry
Original Assignee
Henan University of Technology
Zhengzhou University of Light Industry
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan University of Technology, Zhengzhou University of Light Industry filed Critical Henan University of Technology
Priority to CN202010478994.3A priority Critical patent/CN111627031B/zh
Publication of CN111627031A publication Critical patent/CN111627031A/zh
Application granted granted Critical
Publication of CN111627031B publication Critical patent/CN111627031B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G31/00—Soilless cultivation, e.g. hydroponics
    • A01G31/02—Special apparatus therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
    • Y02P60/20—Reduction of greenhouse gas [GHG] emissions in agriculture, e.g. CO2
    • Y02P60/21—Dinitrogen oxide [N2O], e.g. using aquaponics, hydroponics or efficiency measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明提出了一种基于瓦屋状多边形的作物根系表型分析装置及方法，其步骤如下：搭建作物根系表型分析装置，及时获取完整根系的彩色图像；对彩色图像进行裁剪，利用图像二值化将根系图像进行分割，采用连通区域标记法保留面积最大的连通区域，得到根系连通区域的二值化图像；通过表示根系像素点的最左端、最右端和最顶部的像素点确定矩形区域，在矩形区域内进行二均值聚类，进一步确定瓦屋状多边形；根据瓦屋状多边形进行根系形态及生长发育规律的动态表型分析。本发明引入瓦屋状多边形来定义根系的覆盖几何形状、密度分布、性状模式等全局特征，实现根系形态及生长发育规律等的动态表型分析；且自动化程度高，对尺度变化不敏感。

Description

基于瓦屋状多边形的作物根系表型分析装置及方法
技术领域
本发明涉及植物根系、表型分析及图像处理结合的技术领域，尤其涉及一种基于瓦屋状多边形的作物根系表型分析装置及方法，实现对作物根系形态、全局特征、密度分布及生长策略的分析研究。
背景技术
植物表型研究是一门新兴的学科，将基因组学、植物生态生理学和农艺学联系起来。功能性的植物体是在植物生长和发育过程中通过遗传背景(基因)与植物生长的物理世界(环境)之间的动态相互作用而形成的，这些相互作用决定了植物的性能和生产能力，通常以累积的生物量、产量及资源利用效率来衡量。植物表型研究的核心是获取高质量、可重复的性状数据，进而量化分析基因型和环境互作效应(genotype-by-environmentinteractions，GxE)及其对产量、质量、抗逆等相关的主要性状的影响。随着对食品、饲料和原材料的需求不断增加，作物种植与生产面临巨大挑战，对于开发高产量和低投入的可持续作物生产是必要的。尽管近年来分子和遗传学方法已取得重大进展，但对作物表型、作物结构与功能的定量分析已成为主要瓶颈。
根系是作物整体生产力的重要组成部分，作物根系表型研究对提高农业生产效益至关重要。根系是作物重要的功能器官，不但为作物吸收养分和水分、固定地上部分，而且通过呼吸和周转消耗光合产物并向土壤输入有机质，根系是作物整体生产力的重要组成部分。作物根系构型是作物形态结构的重要组成部分，但目前对其形态结构的研究远不及地上部分，其主要原因是根系生长在土壤中，致使根系研究有诸多困难，对其开展数据获取与分析难度极大。目前，现有的作物根系监测均存在操作繁琐，人员必须进行现场监测，且对使用人员技术要求较高等问题，不利于根系的定点监测，因此，需要一种操作方便、成本低、效率高的根系检测装置与系统来解决上述问题。进行根系形态、空间分布、伸展角度及生长速率等的研究，不仅有助于深入认识作物的结构与功能之间的关系，对于农业的水肥管理至关重要。
作物根系发达与否、形态如何与植株健康密切相关，但目前尚无专用装置可以很好地固化植株根系在土壤中的形态，通过手工冲洗将作物根系从土壤中分离出来，导致根系在土壤中的分布形态随冲洗和拿取过程而改变。如何以高性价比的装置和方法实现对根系损伤小、可重复的表型采集和分析是亟待解决的问题。
对于须根系植物如水稻、小麦等陆生植物，凤眼莲等水生植物，须根系组成主要包括种子根和不定根以及各级侧根，其特点是根细小、数量庞大，如抽穗期的水稻植株根系总长度可以达到数十千米。水稻植株的根系只有通过更深入、有效地生根，才能更好的获取土壤中的水分实现植株的抗旱性，这也是水稻遗传改良所面对的难题。现有根系形态参数的测定多采用扫描根系图像然后进行图像分析获得长度等数据信息，但是根系样品的扫描工作需要花费大量时间，比如一株分蘖盛期的水稻完成扫描工作需要1天以上的时间，而且获得的信息量较少，缺乏对根系构型的分析。
已有的利用精密准直的x线束、γ射线及超声波等的计算机断层扫描技术及核磁共振技术，应用于盆栽作物的根系扫描，获取其横截面图像，然后进行二维及三维根系形态分析，该方法对土壤特性要求高，导致专用土壤不易制备，根系信息采集设备也普遍存在价格高等问题。[温维亮,郭新宇,赵春江,等.作物根系构型三维探测与重建方法研究进展[J].中国农业科学,2015(3):436-448]提供了一种作物根系空间划分方法及系统，基于实测作物根系三维数字化数据，对界定圆柱体范围内的根系进行空间体素划分，并计算各体素单元内的根系参数，根据根系参数得到作物根系在各体素内的量化分布，因而能够描述根系围绕植株生长的圆柱形分布特征，从而能够指导作物栽培过程中的浇水和施肥管理。周学成等人的申请号为ZL201710660446.0的发明专利公开了一种植物根系三维矢量模型构建方法，属于自动化检测技术领域；模型构建方法的步骤是：利用层析成像技术获取作物根系的断层序列图像数据；根据根系的线状特性采用横截面算法提取根系骨架点；然后利用基于连通性的路径规划算法对根系骨架点分组建立根分支拓扑结构；最后采用分支重切算法提取骨架点的属性参数(半径、面积、周长等)以形成最终的根系矢量模型。
近年来，由于越来越多的作物表型需要被快速和准确测量，很多世界顶尖科研机构都把研究重心转移到诸如试验设计、定量分析和结论阐释等实际问题的解决等方面。总结分析国内外研究现状，根据不同的应用需求，已有多个根系测量的图像处理软件方法，可进行根系的二维和三维分析，如根系的横截面剖析、长度、直径、形状、延伸率和生长率的测量。由于不同的表型分析平台的传感器及图像采集方法具有特殊性，这些研究针对特定任务开发了专用的软件包及图像处理方法。现有的作物根系形态分析平台及应用，大多致力于特定的分析处理，存在普适性及适应性较差的问题。
现阶段作物根系表型分析方面的研究存在着以下问题：①针对特定作物表型分析的专用系统平台较多，价格低廉、使用便捷且较为通用的系统平台的研究少。②基于多种传感器所采集的信息对根系的平均长度、累积长度及根直径的分布等进行精确测量的研究较多；对表征作物根系生长的全局特征及生长策略的研究少。
发明内容
针对现有根系表型分析方法价格昂贵、对作物根系产生损伤，且不能表征分析根系的全局特征、密度分布及性状模式等技术问题，本发明提出一种基于瓦屋状多边形的作物根系表型分析装置及方法，实现根系的图像分割和全局特征描述，促进了对根系生长趋势的识别，有助于探索各品种作物根系的性状模式。
为了达到上述目的，本发明的技术方案是这样实现的：一种基于瓦屋状多边形的作物根系表型分析方法，其步骤如下：
步骤一：搭建作物根系表型分析装置：作物根系表型分析装置包括水培系统和图像采集装置，图像采集装置设置在水培系统的前方并实时获取完整根系的彩色图像；
步骤二：将步骤一得到的彩色图像进行图像裁剪，得到包含感兴趣区域的根系图像，利用图像二值化将根系图像进行分割，得到二值化图像；采用连通区域标记法保留二值化图像中面积最大的连通区域，得到根系连通区域的二值化图像；
步骤三：根系全局特征：设定根系二值化图像的左上角为原点建立坐标系，通过表示根系像素点的最左端、最右端和最顶部的像素点确定矩形区域，在矩形区域内进行二均值聚类得到根系分布稠密的阈值线，根据根系二值化图像的最顶部的像素点、最底部的像素点及阈值线上最左端和最右端的像素点确定表征根系整体扩展形态的瓦屋状多边形；
步骤四：根据瓦屋状多边形进行根系形态及生长发育规律的动态表型分析：计算根部宽度、根锥角、深根数量；将瓦屋状多边形分成多个区块，确定各个区块的根系密度，并利用人机交互界面进行图形化显示；根据瓦屋状多边形的几何参数分析植株的生长变化。
所述水培系统可同时培育多棵种子，水培系统包括培养盒和控制箱，培养盒设置在控制箱内，所述培养盒中装有模仿土壤阻力的直径为1.5毫米的小玻璃珠，培养盒为由上部开口的玻璃板组成的盒体，培养盒的每个侧面和底面均匀设有通孔，每个通孔的外部的玻璃板上装有插槽，插槽上设有面积大于通孔的挡板；培养盒内设有固定根系的圆柱形网格；当需排出培养盒中的小玻璃珠时，按照通孔的分布高度，从高到低逐次抽出挡板打开通孔；
所述控制箱内循环设有营养溶液，控制箱内设有pH控制器、冷却系统和环境调节系统，pH控制器将营养溶液的pH调节至5.5±0.2，冷却系统将营养溶液温度保持在27±1℃，环境调节系统将培养盒的温度控制在白天28℃、夜间25℃，光照强度为400～450μmol/(m2·s)，相对湿度设定为55％。
所述图像采集装置下部设有可移动支架，图像采集装置包括相机和LED，相机和LED均安装在可移动支架上，相机与人机交互界面相连接，人机交互界面为Roots-AD图形用户界面；
所述Roots-AD图形用户界面采用Java语言开发、作为ImageJ的插件，Roots-AD图形用户界面包括自动化的图像预处理模块、根系特征测量模块以及测量数值和图像结果导出模块，系统使用轻量级的图形用户界面设置比例尺校准、选择输入和输出文件夹，及选择使用全自动模式或半自动模式；
所述Roots-AD图形用户界面生成两种类型的结果：将数值型的测量结果导出到逗号分隔的文件中，以便后续的统计分析；产生的输出图像用于说明不同的处理步骤的中间过程；
所述步骤二中图像裁剪得到包含感兴趣区域的根系图像的方法为：将彩色图像上部的2200行删掉，下部的1000行删掉，左右两侧分别删除1000列，从而将培养盒的边框去除，从而保留培养盒内的图像区域，得到感兴趣区域的图像即为根系图像；
所述图像二值化的实现方法为：只保留根系图像中红色通道的颜色分量，然后通过滑动窗口进行自适应阈值处理得到二值化图像，其中，滑动窗口的大小是培养盒的圆柱形网格的间距。
所述图像二值化中滑动窗口的阈值由Triangle三角法计算，或者滑动窗口的阈值的计算方法为：InterModes阈值分割法，对双峰模式的直方图使用平滑滤波迭代多次，直到只剩下两个最大的峰J与峰K，则阈值为T＝(J+K)/2；IsoData阈值分割法，给定一个随机阈值将根系图像分为对象部分与背景部分，计算对象部分与背景部分的均值，不断迭代，直到阈值大于复合均值为止，最终阈值T＝(背景像素均值+对象像素均值)/2；Mean均值方法，使用灰度图像计算所有像素值的均值作为阈值实现图像二值化分割；Otsu阈值分割方法，阈值是根系像素和背景的最大类间方差。
所述二值化图像采用直径为4的圆形作为膨胀运算的结构元素进行处理，连接根系图像中可能断开的细根，采用腐蚀算法对根系图像进行腐蚀打磨，恢复根系原来的大小；
所述连通区域标记法的实现方法为：采用函数bwlabeln对根系的二值化图像进行连通区域标记，得到矩阵lts；采用函数max(max(lts))得到二值化图像中的连通区域的总数量ltszs；采用函数regionprops()获得各个连通区域的面积，最后只保留面积最大的连通区域的像素点，删除其余的像素点。
所述步骤三中确定矩形区域的方法为：设根系二值化图像的左上角为原点，设定x轴为横向且向右为正方向，设定y轴为纵向且向下为正方向，查找根系二值化图像中各个根系像素点的坐标，根系像素点中最左端和最右端的像素点分别以Pleft和Pright表示，像素点Pleft的坐标为(x1,y1)，像素点Pright的坐标为(x2,y2)；根系像素点中最顶部的行中的最左侧和最右侧的像素点分别以Tleft和Tright表示，且像素点Tleft的坐标为(x3,y3)，像素点Tright的坐标为(x4,y4)，y3＝y4；
从像素点Tleft所在的行y3开始，向下直到像素点Pleft和像素点Pright中y轴坐标较小的像素点所在的行为止即为y1或y2；将y1～y3两行之间、x1～x2两列之间所包围的区域或者y2～y3两行之间、x1～x2两列之间所包围的区域作为矩形区域。
所述在矩形区域内进行二均值聚类得到根系分布稠密的阈值线的方法为：
Step1：在矩形区域中按行查找每行的最左侧像素点FLi和最右侧像素点FRi，最左侧像素点FLi坐标为(xli,yli)，最右侧像素点FRi坐标为(xri,yri)；yli与yri的取值为y1～y3；i表示每行像素点的下标；
Step2：计算矩形区域内的每行中最左侧像素点FLi到最右侧像素点FRi的距离di；
Step3：统计矩形区域内的每行中根系像素点的数量ri；
Step4：计算矩形区域内的每行中根系像素点的填充率tci＝ri/di；
Step5：循环步骤Step1～Step4，将填充率tci进行二均值聚类，计算二均值聚类所产生的阈值threshold；查找填充率tci中与阈值threshold差值最小的填充率tcw，则将填充率tcw对应的w行标记为实线段，实线段上最左侧和最右侧的根系像素点分别为Wleft和Wright，根系像素点Wleft的坐标分别为(x5,y5)，根系像素点Wright的坐标为(x6,y6)，其中，w为介于y1～y3的数值，y5等于y6；
线段WleftWright是二均值聚类的阈值线，阈值线的上方根系分布稠密，呈密集缠绕状态；阈值线的下方则根系相对分散开。
所述瓦屋状多边形的构建方法为：查找根系二值化图像中最底部的像素点Plow的坐标为(x7,y7)，且y轴坐标值最大的根系像素点存在多个时，选取x轴坐标值最小的像素点作为最底部的像素点Plow；
直线TleftWleft与经过像素点Pleft所在列的直线的交点为像素点Mleft，设像素点Mleft的坐标为(x8,y8)；直线TrightWright与经过像素点Pright所在列的直线的交点为像素点Mright，设像素点Mright的坐标为(x9,y9)；
选择像素点Mleft和像素点Mright在y轴坐标最大的值y9或y8作为B点的y坐标，B点的x坐标由直线TleftWleft与经过y9或y8所在行的直线的交点处的x坐标值确定，设定交点处的x坐标值为x10，则B点的坐标为(x10,y9)或(x10,y8)；
选择像素点Mleft和像素点Mright两个像素点在y轴坐标最大的值y9或y8作为C点的y坐标，C点的x坐标由直线TrightWright与经过y9或y8所在行的直线的交点处的x坐标值确定，设定交点处的x坐标值为x11，则C点的坐标为C(x11,y9)或(x11,y8)；
像素点Plow的y坐标为D点的y坐标，B点的x坐标为D点的x坐标，得到D点的坐标为(x10,y7)；像素点Plow的y坐标为E点的y坐标，C点的x坐标为E点的x坐标，得到E点的坐标为(x11,y7)；
将像素点Tright、Tleft、B、D、E、C依次用线段连接起来，得到多边形TrightTleftBDEC为瓦屋状多边形，瓦屋状多边形的上部为梯形TrightTleftBC、下部为矩形BDEC。
所述根锥角是根系透入土壤的扩展角度，采用瓦屋状多边形的上部梯形的两条斜边TleftB与TrightC的夹角表示；所述瓦屋状多边形的几何参数包括整体高度、整体宽度、上部梯形的高度、下部矩形的高度、下部矩形的宽度、相对偏移，所述相对偏移为上部梯形的上底和下底的垂直平分线的距离；所述瓦屋状多边形的梯形和矩形分为多个区域将根系空间分解多个区块，区块的根系密度为区块中根系像素数与该区块像素数的比值，确定各个区块的根系密度，根系密度反映了根系在空间的密度分布；
人机交互界面的Roots-AD图形用户界面可显示各个区块的根系密度，各个区块的根系密度在根部密度条中能找到对应值；
瓦屋状多边形的上部梯形中的根系称为浅层根，瓦屋状多边形的下部矩形中的根系称为深层根；所述深根数量通过选择根系在矩形区域的放大图像测量计算，并在Roots-AD图形用户界面中将各条根的直径以相应的圆盘表示，并标注出来；
从瓦屋状多边形的两个隔室的高宽比进行分类：上部梯形构成的隔室视为三角形，利用Hroof表示上部三角形的高度，Hwall表示下部矩形的高度，Lwall表示下部矩形的宽度，通过总结分析不同水稻品种的根系图像，呈现不同的性状模式，即Hroof与Hwall、Hroof与Lwall具有不同的比例关系。
本发明开展了以下研究：①以较低的成本模拟根系的生长环境并搭建根系图像采集装置，开发通用性强的处理方法。②构建瓦屋状多边形来表征根系的全局特征、根锥角及根系的密度分布，以探索根系的生长策略和对土壤的勘探能力，使得致密作物根系的表征成为可能。
以水稻根系表型研究为例，搭建通用的根系培养及图像采集装置，结合机器视觉和图像处理技术，优化处理流程，自动提取感兴趣区域(即实现图像裁剪的作用)，采用自适应阈值算法将根系与复杂背景分离，无需用户干预。针对根系图像创新性的提出一种根系几何建模方法，首先根据根系的几何特征拟合一个瓦屋状多边形，此多边形由上部的梯形和下部的矩形组成，定义了根系的几何形状和密度属性等全局特征，在一定程度上可以表征根系在浅层土壤的渗透和深层土壤的勘探策略，便于评估和显示浅层和深层根系的高度、宽度和相对偏移(瓦屋状多边形的上部梯形的上底和下底的垂直平分线的距离)；所计算出来的根锥角，具有准确直观的优点；可设定瓦屋状多边形内部的区块数量，用于显示根系空间的密度分布；通过对多个根系图像的统计分析，开发完成根系表型提取及生长策略分析软件Roots-AD，实现根系的图像分割和特征描述，促进了对生长趋势的识别，有助于探索各品种作物根系的性状模式。
本发明的有益效果：通过模拟根系生长环境，以较低的成本构建根系生长发育的环境及采集装置，在获取常用的根系物理参数基础上，创新性的提出以瓦屋状多边形表征根系全局特征，探索根系在浅层和深层的生长策略、计算根锥角及根系的密度分布等相关表型信息，促进对生长趋势的识别，有助于探索各品种作物根系性状模式，即根系的生长策略和对土壤的勘探能力，使得致密作物根系的表征成为可能。本发明具有快速准确、自动化程度高、直观易理解、对尺度变化不敏感、通用性强及可重复性等优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程图。
图2为本发明的根系水培系统，其中，(a)为培养盒，(b)为根系在培养盒，(c)为排出小玻璃珠的培养盒，(d)为将培养盒放置在控制箱。
图3为本发明的根系分割与提取的示意灰度图，其中，(a)为原始图像，(b)为红色通道图像，(c)为二值化图像，(d)为膨胀算法处理后图像，(e)为腐蚀算法处理后图像。
图4为本发明阈值二值化处理的示意图，其中，(a)为原始图像，(b)为红色通道图像，(c)为红色通道的直方图，(d)为Triangle三角法二值化图。
图5为本发明保留最大连通区域图像。
图6为本发明确定矩形区域并进行二均值聚类的示意图，其中，(a)为矩形区域，(b)为二均值聚类分割行。
图7为本发明构建表征根系全局特征的瓦屋状多边形示意图。
图8为本发明瓦屋状多边形表示的宽度、高度及相对偏移等全局特征及密度分布示意图，其中，(a)为宽度、高度及相对偏移，(b)为密度分布图。
图9为本发明根系的密度分布及深根直径测量示意图，其中，(a)为红色通道根系图，(b)为(a)的根系的瓦屋状多边形，(c)为根系的空间密度分布图，(d)为(b)中的放大图。
图10为本发明的四个粳稻品种瓦屋状多边形和根系凸包示意图。
图11为本发明根系的瓦屋状多边形及所表示的性状模式示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，一种基于瓦屋状多边形的作物根系表型分析方法，其步骤如下：
步骤一：搭建作物根系表型分析装置：作物根系表型分析装置包括水培系统和图像采集装置，图像采集装置设置在水培系统的前方并实时获取完整根系的彩色图像。
本发明搭建了一个高通量的作物根系表型分析装置，包括根系水培系统(根系培养盒、根系生长环境控制箱)及根系图像自动分析软件，培养盒放置在控制箱内，用于持续研究水稻、玉米、小麦和高粱等作物的根系。设置根系水培系统可根据需要同时培育多棵种子。培养盒中装有模仿土壤阻力的直径为1.5毫米的小玻璃珠，如图2中的(b)所示。根系培养盒的正面和背面均是高度为80厘米、宽度为40厘米、厚度为2厘米的有机玻璃板。培养盒的两侧面和底面也安装有机玻璃板，两侧面玻璃板的大小都是高度为80厘米、宽度为14厘米、厚度为2厘米，底面玻璃板的大小是长度为44厘米、宽度为14厘米、厚度为2厘米，如图2中的(a)所示。培养盒的每个侧面及底面玻璃板上按照高度的不同，均匀的挖有6厘米×6厘米的正方形通孔，每个通孔的外部玻璃板上装有插槽，可将7厘米×7厘米的玻璃面板插入通孔处的插槽，从而封闭通孔，防止培养盒内的小玻璃珠流出。如需排出培养盒中的小玻璃珠，则按照高度，从高到低逐次打开通孔排出培养盒中的小玻璃珠，避免排出小玻璃珠时对根系的形态产生扰动。在组装培养盒时将规则的圆柱形不锈钢销钉网格放置在根系培养盒中，用于在去除小玻璃珠后可将根系固定在适当的位置。
水稻作物种子在28℃预发芽三天后，放置在根系培养盒的顶部，便于分析根系向下方及两侧生长延伸。根系培养盒放置于控制箱中，循环通过改良的Hoagland营养溶液，用控制箱内的自动pH控制器将溶液的pH调节至5.5±0.2，控制箱内的冷却系统将溶液温度保持在27±1℃，控制箱的温度控制在白天28℃、夜间25℃，光照强度为400～450μmol/(m2·s)，相对湿度设定为55％。以上环境较为理想的模拟了根系的生长环境，如图2中的(d)所示，也保证了为采集根系图像而在去除小玻璃珠时，小玻璃珠的排出过程对根系形态的影响减小到可忽略不计。
对应的在培养盒前方放置图像采集装置，该装置是一个可移动支架，安装有尼康相机及Broncolor LED。相机配置了定焦镜头，LED用于产生定向光。在根系的生长过程中，将根系培养盒从控制箱中取出，并除去小玻璃珠，严格的控制方向光强度和曝光时间，从而确保拍摄标准化，此时图像采集装置可获取完整的根系图像信息，如图2中的(c)所示，通过本发明所开发的分析软件自动进行图像处理和表型分析。
步骤二：对步骤一的彩色图像进行图像裁剪，删除图像中培养盒的边框及其他外部区域，得到包含感兴趣区域的根系图像，利用图像二值化将根系图像进行分割，得到二值化图像；采用连通区域标记法保留二值化图像中面积最大的连通区域，得到根系连通区域的二值化图像。
首先进行根系图像分割，即通过图像二值化将根系像素与背景分开，包括消除噪声和非根系元素(例如玻璃面板上的划痕、固定螺钉和玻璃销等)，处理过程无需用户干预，分析软件即可自动处理不同尺寸的图像。
相机的焦距以及相机与培养盒的距离及相对位置都是固定已知的，每次采集的根系图像中，培养盒在根系图像中的位置是固定不变的，相机所拍摄图像视野清晰，根系目标明确，视场中尽量保证培养盒占据较大的图像幅面，结合图像处理与先验知识，所采集的图像中根系占据较大幅面，通过将图像上部的2200行删掉，下部的1000行删掉，左右两侧分别删除1000列，从而将培养盒的边框去除，实现对图像的感兴趣区域裁剪，从而保留了培养盒内的图像区域，如图3中的(a)所示，以此区域作为感兴趣区域进行后续根系分割及表型分析等研究。如果需要，系统设定用户可以交互式地调整裁剪区域。
图3中的(c)为灰度转换图像，显著减少了信息量和算法的复杂性。需考虑保留图像的外观和可分辨性，这是一个尚未解决的开放性问题。本发明通过大量观察分析，发现根系的红色通道信息保留较好，红色通道是三种颜色分量中对比度最高的。图3中的(c)为通过滑动窗口进行自适应阈值处理得到的二值化图像，其中窗口的大小预设为50×50像素，该大小是培养盒的圆柱销的间距；每个窗口中的阈值由Triangle三角法计算。
对比现有的多种图像分割算法，它们依赖于数据集和应用程序，导致很难明确选用哪种算法能得到最佳阈值二值化效果。本发明采用Triangle三角法计算阈值将图像二值化，Triangle三角法适宜于呈现单峰强度分布的根系图像的阈值二值化，有效地分割根系图像。其中图4中的(a)为根系的原始彩色图像的灰度图，图4中的(b)为根系的红色通道图像的灰度图，图4中的(c)为红色通道的单峰强度直方图，分析发现非常适合采用Triangle三角法进行二值化，图4中的(d)为采用Triangle三角法得到的根系的二值化图像，图中椭圆圈出来的细小根保留很好的连通性，表明该算法用于图像分割具有良好的效果。
本发明所提出分割算法采用局部自适应策略，考虑到根系及图像背景的强烈可变性。相应的在软件系统中设定用户可以选择其他阈值方法：比如InterModes阈值分割，该方法假设直方图是一个双峰模式的直方图，对直方图使用平滑滤波迭代多次，直到只剩下两个最大的峰J与K，则阈值为T＝(J+K)/2；IsoData阈值分割，该方法基于Ridler的论文《Picture thresholding using an iterative selection method》，该方法通过给定一个随机阈值将图像分为对象与背景进行分割，计算两部分的均值，不断迭代，直到阈值大于复合均值为止，最终阈值为T＝(背景像素均值+对象像素均值)/2；Mean均值方法，该方法使用灰度图像计算所有像素值的均值作为阈值实现图像二值化分割；Otsu阈值分割方法，其阈值是根系像素和背景的最大类间方差。
采用数学形态学中的膨胀算法对根系二值化图像进行处理，以连接图像中可能断开的细根，其中使用直径为4的圆形作为膨胀运算的结构元素；然后采用腐蚀算法对根系图像进行腐蚀打磨，恢复根系原来的大小。
为了进一步消除孤立的背景及其他噪声干扰，尽可能的只保留根系二值化图像中的根系像素点。本发明采用连通区域标记法，保留面积最大的连通区域，实现只保留连通的根系像素点。首先采用函数bwlabeln对根系二值化图像进行连通区域标记，得到矩阵lts；采用函数max(max(lts))得到根系二值化图像中的连通区域的总数量ltszs。采用函数regionprops()获得各个连通区域的面积(即像素数)；最后只保留面积最大的连通区域的像素点，删除其余的像素点，如图5所示，从而进一步的减小了干扰，便于后续的根系表型分析。
步骤三：根系全局特征：设定根系二值化图像的左上角为原点建立坐标系，通过表示根系像素点的最左端、最右端和最顶部的像素点确定矩形区域，在矩形区域内进行二均值聚类得到根系分布稠密的阈值线，根据根系二值化图像的最顶部的像素点、最底部的像素点及阈值线上最左端和最右端的像素点确定表征根系整体扩展形态的瓦屋状多边形。
设定根系二值化图像的左上角为原点，该点在x轴和y轴的坐标都为0；设定x轴为横向，向右为正方向；设定y轴为纵向，向下为正方向。查找根系二值化图像中各个根系像素点的坐标，将表示根系的像素点中最左端和最右端的像素点分别以Pleft和Pright表示，如图6中的(a)所示，坐标分别为Pleft(x1,y1)、Pright(x2,y2)。
将根系二值化图像中表示根系像素点的最顶部的那一行中的最左侧和最右侧的像素点分别以Tleft和Tright表示，如图6中的(a)所示，坐标分别为Tleft(x3,y3)和Tright(x4,y4)。如果根系像素点的最顶部的那一行只有一个根系像素点，则Tleft(x3,y3)和Tright(x4,y4)都为该点，即x3＝x4，y3＝y4。
从像素点Tleft所在的行y3开始，向下直到像素点Pleft和Pright中y轴坐标较小的那个点所在的行(该图像中像素点Pleft的y轴坐标小于Pright的y轴坐标，即采用y1)为止；将y1～y3两行之间、x1～x2两列之间所包围的区域作为研究区域，该区域如图6中的(a)中由虚线构成的矩形所示。在该矩形区域内，进行如下操作：
Step1：按行查找每行的最左侧像素点FLi和最右侧像素点FRi，坐标分别为FLi(xli,yli)点FRi(xri,yri)；yli与yri的取值均为y1～y3；i表示每行的下标；
Step2：计算矩形区域内的每行中最左侧像素点到最右侧像素点的距离di；
Step3：统计矩形区域内的每行中根系像素点的数量ri；
Step4：计算矩形区域内的每行中的根系像素点的填充率tci，即tci＝ri/di，即每行中的根系像素点的数量与每行中最左侧根系像素点到最右侧根系像素点距离的比值，将该比值定义为矩形区域内的每行的根系的填充率。
Step5：将计算矩形区域内的每行中的根系像素点的填充率tci进行二均值聚类，计算该二均值聚类所产生的阈值为threshold；查找填充率tci数据集中与阈值threshold差值最小的数据tcw，其中，w为介于y1～y3的数值，则将数据w存储并将w行标记为实线段，如图6中的(b)所示，该w行实线段上最左侧和最右侧的根系像素点分别为Wleft、Wright，坐标分别为Wleft(x5,y5)、Wright(x6,y6)，此时y5等于y6。
线段WleftWright是一条分割线，是对矩形区域内的根系像素点在竖直方向上的密集程度进行二均值聚类的阈值线，该阈值线的上方根系分布稠密，呈密集缠绕状态；该阈值线的下方则相对分散开，再向下就便于对各条根的分析，便于计算各个根的物理参数。
查找根系二值化图像中最底部的根系像素点Plow，即y值最大的根系像素点，设定该点坐标为Plow(x7,y7)，如图7所示。如果y值最大的根系像素点存在多个，则选取x值最小的那个像素点作为Plow。
直线TleftWleft与经过点Pleft所在列的直线的交点为Mleft，设定该点的坐标为Mleft(x8,y8)。直线TrightWright与经过点Pright所在列的直线的交点为Mright，设定该点的坐标为Mright(x9,y9)。
挑选Mleft、Mright两个像素点在y轴坐标最大的值y9(如果y8大于y9，则选择y8作为B点的y坐标)作为B点的y坐标；B点的x坐标由直线TleftWleft与经过y9所在行的直线的交点处的x坐标值确定，设定交点处的x坐标值为x10，则B点的坐标为B(x10,y9)。
挑选Mleft、Mright两个像素点在y轴坐标最大的值y9(如果y8大于y9，则选择y8作为C点的y坐标)作为C点的y坐标；C点的x坐标由直线TrightWright与经过y9所在行的直线的交点处的x坐标值确定，设定交点处的x坐标值为x11，则C点的坐标为C(x11,y9)，此时C点与Mright重合。
D点的y坐标为Plow的y坐标，即y7；D点的x坐标为B点的x坐标，即x10；从而得到D的坐标为D(x10,y7)。
E点的y坐标为Plow的y坐标，即y7；E点的x坐标为C点的x坐标，即x11；从而得到E的坐标为E(x11,y7)。
将点Tright、Tleft、B、D、E、C依次用线段连接起来，得到多边形TrightTleftBDEC，如图7所示，本发明将此多边形称为瓦屋状多边形，可分为上部的梯形TrightTleftBC，及下部的矩形BDEC，其中Tright、Tleft的y坐标相同，因为这两个像素点在同一行。
本发明引入一个瓦屋状多边形，用于表征根系的整体扩展形态，根系在浅层向两侧拓展，在深层则是垂直向下延伸，该瓦屋状多边形由两部分组成：表示根系上部的梯形，表征向两侧的穿透扩展性；表示根系下部的矩形，表征向深层的勘探延伸性，如图7所示。
步骤四：根据瓦屋状多边形分析根系密度分布：计算根部宽度、根锥角、深根数量；将瓦屋状多边形分成多个区块，根据区块中根系像素数与该区块像素数的比值确定各个区块的根系密度，并利用Roots-AD图形用户界面显示；根据瓦屋状多边形的几何参数分析植株的生长变化，实现根系形态及生长发育规律的动态表型分析。
作物根系向深层的探索能力可以通过根系末端的根数来表征，在深层的根系分布相对较为稀疏，可获得根系深层的骨架进行个体化分析。在图像处理中，通过形态学细化来提取骨架，保留原始根系的拓扑结构，后续可用来检测各个深根的直径。
在根系浅层各分支根粘连严重，影响了对根系形态特征的分析。传统的根系分析方法不足以表征根系结构的全局特征，且缺乏对根系及各分支根在延伸勘探方向的有用信息。本发明通过二均值聚类算法自动确定自适应阈值，将根系形态的分布转换为无量纲(无量纲量的量纲为1，所以它的数值与所选用的单位制无关，用纯数表示)的分析，因此避免了不同作物的根系直径及延伸长度对根系生长策略分析的影响。相应的本发明开发的软件Roots-AD专注于作物根系的全局特征描述，创新性的依据根系的瓦屋状多边形估算根部宽度及根锥角等参数，其中根锥角是根系透入土壤的扩展角度，本发明采用瓦屋状多边形的上部梯形的两条斜边TleftB与TrightC的夹角表示，如图7所示，直观易懂，计算快捷，相对已有的计算根锥角的研究，具有显著的创新性。
如图8中的(a)所示，由根系的瓦屋状多边形可方便快捷的评估上部梯形和下部矩形隔室的几何形状，上部梯形的高度、下部矩形的高度、下部矩形的宽度、相对偏移(上部梯形的上底和下底的垂直平分线的距离)。在图8中的(b)中，瓦屋状多边形的梯形和矩形隔室可细分为多个区域，设定分块数量，将根系空间分解多个区块，区块的根系密度为该区块中根系像素数与该区块像素数的比值，确定各个区块的密度。图8中的(b)右侧的竖直的根部密度条，反映了根系在竖直方向的密度分布；各个区块的密度可在右侧的根部密度条找到对应值。
本发明所开发的Roots-AD图形用户界面(GUI)允许用户轻松地校准和调整所有处理过程，可以通过输入数值或在界面交互调整，来定义感兴趣区域(即实现图像裁剪的作用)、比例尺校准等。图像裁剪可用于快速去除背景和培养箱等干扰。比例尺校准以厘米为单位定义像素大小，用户在图形查看器上调整网格的单位，或在对话框的“校准”模块上调整对应关系。
GUI允许用户调整Roots-AD其他功能设定，可以选择全自动或半自动处理。“全部计算”模式将预定义的标准处理应用于一组图像；而“计算并校正”模式专用于某些特定图像的适配，或处理其他植物图像，该模式允许用户通过手动校正，从而间接修改最终结果。
Roots-AD拟生成两种类型的结果，可将结果保存在指定的输出文件夹。首先，将数值型的测量结果导出到逗号分隔的文件中，以便后续的统计分析。其次，产生的输出图像用于说明不同的处理步骤的中间过程。例如，这些图像可以是根系二值化图像、瓦屋状多边形的构造和密度分布图。
图9中的(a)所示为红色通道的根系图像的灰度图，可与原始图像细节进行比较。图9中的(b)为根系的瓦屋状多边形的构建，将瓦屋状多边形叠加在黑色的根系图像上，瓦屋状多边形可以大于或者小于根系图像宽度。图9中的(c)为根系的空间密度分布，在右侧的垂直颜色栏为根系在竖直方向的密度分布，从白色逐渐过渡到黑色；在左侧由瓦屋状多边形的上部梯形和下部矩形分别进行4×5区块分解得到的密度分布。本发明可由用户根据需要将根系的瓦屋状多边形设定区块分解的数量。
本发明将瓦屋状多边形的上部梯形中的根系称为浅层根，将瓦屋状多边形的下部矩形中的根系称为深层根。在深根数量计算方面，深根数量是另一个难以自动化的参数，本发明分析了根系在30厘米深度(可根据需要调整深度并进行分析)的放大图像，可以测量计算深根的数量，并将各条根的直径以相应的圆盘表示，并标注出来，如图9中的(d)所示。
在根系生长实验中，选取多个粳稻品种，如图10所示，黑色的像素表示根系，较细的灰色线段构成的包围盒是根系的凸包，短划线是二均值聚类所产生的分隔行，较粗的实线段构成根系的瓦屋状多边形。
Roots-AD图形用户界面采用Java语言开发，作为ImageJ的插件，ImageJ是美国国家卫生研究院开发的基于Java的开源图像处理程序。所开发的插件可以在安装在Microsoft Windows、Mac OS或Linux计算机上。Roots-AD图形用户界面的核心组件包括自动化的图像预处理模块、根系特征测量模块以及测量数值和图像结果导出模块。系统使用轻量级的图形用户界面设置比例尺校准、选择输入和输出文件夹，及选择使用全自动模式或半自动模式。为用户提供了运行、学习、共享和修改软件的自由，方便广大科研工作者。
本发明通过构建瓦屋状多边形分析多株水稻的根系图像，可不断监测并分析幼苗期的根锥角(rcα)、瓦屋状多边形的面积、瓦屋状多边形的整体高度(hH)和整体宽度(hW)、上部梯形的高度(upH)、下部矩形的高度(lowH)等主要参数的生长变化。
本发明提供了快速分析根系几何形态的全局特征的可能性，以及由瓦屋状多边形的上部梯形表示的根锥角。Roots-AD检测基于根系轮廓的根锥角、根系密度分布等全局特征，对均匀噪声和根系尺寸的变化都不太敏感。从图11中可知，可用于作物不同的品种及相同品种根系生长多样性及统一性的研究。在消除错误及交互方面，用户可以使用ImageJ的交互功能对预处理得到的二值化图像进行擦除、加粗或连接等操作。
在测量的相关性和可重复性方面，本发明所开发的Roots-AD图形用户界面非常适合高通量表型分析，软件系统具有可重复性、准确性和相关性高等优点，相对于已有的产品，本发明创新性的提取了根系的密度分布、根锥角和深根数量及直径等，为研究根系的生长策略提供了支持。本发明的图像集经由植物生态生理及植保专家的判读，与本发明处理所得到的图像中根系特征的测量结果一致。
作物根系的可观察到的生理现象的变化，通常需要复杂的大规模分析和广泛的测量。这些测量可用于识别、分析根系生长趋势。与观测值之间的匹配有关，最重要的不是测量的准确性，而是监测到生长状态的改变。本发明旨在促进对生长趋势的识别。如图11所示，从构成根系的瓦屋状多边形的两个隔室的高宽比进行分类。在这种情况下，上部梯形的上底宽度对于上部梯形的高度可以忽略不计，则上部梯形构成的隔室可视为三角形；其中Hroof表示上部三角形的高度，Hwall表示下部矩形的高度，Lwall表示下部矩形的宽度。通过总结分析不同水稻品种的根系图像，呈现不同的性状模式，即Hroof与Hwall、Hroof与Lwall具有不同的比例关系，比例系数不局限于图11，这一发现将有助于对作物根系表型分析、根系全局特征、根系生长规律及根系与生长环境相互作用等方面的研究。
本发明所提出的瓦屋状多边形通过上部三角形(将上部的梯形简化为三角形)和下部矩形的两个隔室，使用两个隔室的高度和宽度等来表征根系形态空间。由瓦屋状多边形的上部梯形的坡度(即上部梯形的两条斜边TleftB与TrightC的夹角)表征根锥角，相对已有的几种根锥角的研究方法(并未真正被科学界采用)，本发明的优点是设计更合理，更易于理解。后续可采用决策树、统计分类器及数据挖掘技术来探索各品种作物根系性状模式。
处理速度方面，高通量的根系性状分析装置及系统，在台式计算机(配备3GHz
Figure BDA0002516683070000141
W3550处理器)上，对4912×7360像素的彩色图像进行分割和测量大约需要1分钟。自动化程度方面，用户只需指定输入和输出文件夹，所有根系的分析和参数测量都是全自动的，不仅可以提高分析速度，而且可以消除人工操作产生的偏差。
视觉验证和自适应校正方面，可以由用户从根系的处理期间生成的输出图像进行控制。如果出现明显的异常，可以将结果从进一步的分析中删除，也可通过对输入图像进行适当的重新处理进行校正。表征根系的全局特征方面，通过瓦屋状多边形可以对识别难度大的致密作物根系进行表征。该多边形定义了最佳的覆盖形状，从中可以计算一些几何形状参数和空间密度分布。
本发明可处理各种来源的数字图像，Roots-AD具备添加、补充参数的功能，系统具有可拓展性。系统可添加其他阈值方法或设置滑动条进行阈值调整。Triangle三角法非常适合于由某些亮点(根系像素点)和许多暗点(背景)组成的图像；Otsu算法可以对具有明显双峰分布的图像进行阈值处理，即具有非常密集的根系统的图像。浅米色的根系放置在浅蓝色背景，以实现更高效的自动Otsu聚类。
本发明不仅便于进行根系结构的分解，更侧重于表征其生长策略、性状模式，所引入的瓦屋状多边形非常适合测量密集的作物根系的全局特征，隐式反映了根系生长的策略，其几何特性对应浅层根系和深层根系之间的显着区别。瓦屋状多边形是基于很少的参数对根系生长进行表征，包括根系透入浅层土壤的根锥角，根系对深层土壤等的延展深度，以及在瓦屋状多边形中设定的区块所展现的根系空间的密度分布。
本发明选择了水稻根系进行了表型分析，开发了基于Java的自动化开源解决方案，用于处理致密作物根系图像，采用本发明方法，具有下述有益效果：(1)可进行精细的深层根系的根径测量，除了实现对根系的精细测量，例如根系长度及根直径等参数。(2)还引入了一个瓦屋状多边形来定义根系的覆盖几何形状和密度分布、性状模式等全局特征，计算了根锥角，以表征根系的生长策略和对土壤勘探能力，使得致密作物根系的表征成为可能。(3)在气候变化的特定背景下，这种几何模型有助于研究植物的再生能力或根系的土壤穿透能力。(4)可对作物的同一根系在不同时间所采集的图像进行时间动力学分析、图表统计，实现根系形态及生长发育规律等的动态表型分析。(5)只需获取水稻根系的数字图像，属于快速无损测量，自动化程度高，对尺度变化不敏感；(6)同时也适用于其他植物根系的形态及生长分析，扩大了表型分析的范围；瓦屋状多边形的定义可以扩展到根系的其他发展策略。例如，针对主根系统可采用钻石形多边形，即双四边形多边形，从而建立根系覆盖多边形。(7)可扩展为研究棉花、桉树等多年生植物或棕榈等丛生根系的幼苗期。需要将根系覆盖的规范形状调整为另一种形式，例如倒置房屋、菱形或沙漏形状。总之，本发明满足创新性、实用性及新颖性的要求，具有很高的经济和学术价值。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于瓦屋状多边形的作物根系表型分析方法，其特征在于，其步骤如下：
步骤一：搭建作物根系表型分析装置：作物根系表型分析装置包括水培系统和图像采集装置，图像采集装置设置在水培系统的前方并实时获取完整根系的彩色图像；
步骤二：将步骤一得到的彩色图像进行图像裁剪，得到包含感兴趣区域的根系图像，利用图像二值化将根系图像进行分割，得到二值化图像；采用连通区域标记法保留二值化图像中面积最大的连通区域，得到根系连通区域的二值化图像；
步骤三：根系全局特征：设定根系二值化图像的左上角为原点建立坐标系，通过表示根系像素点的最左端、最右端和最顶部的像素点确定矩形区域，在矩形区域内进行二均值聚类得到根系分布稠密的阈值线，根据根系二值化图像的最顶部的像素点、最底部的像素点及阈值线上最左端和最右端的像素点确定表征根系整体扩展形态的瓦屋状多边形；
步骤四：根据瓦屋状多边形进行根系形态及生长发育规律的动态表型分析：计算根部宽度、根锥角、深根数量；将瓦屋状多边形分成多个区块，确定各个区块的根系密度，并利用人机交互界面进行图形化显示；根据瓦屋状多边形的几何参数分析植株的生长变化。
2.根据权利要求1所述的基于瓦屋状多边形的作物根系表型分析方法，其特征在于，所述水培系统可同时培育多棵种子，水培系统包括培养盒和控制箱，培养盒设置在控制箱内，所述培养盒中装有模仿土壤阻力的直径为1.5毫米的小玻璃珠，培养盒为由上部开口的玻璃板组成的盒体，培养盒的每个侧面和底面均匀设有通孔，每个通孔的外部的玻璃板上装有插槽，插槽上设有面积大于通孔的挡板；培养盒内设有固定根系的圆柱形网格；当需排出培养盒中的小玻璃珠时，按照通孔的分布高度，从高到低逐次抽出挡板打开通孔；
所述控制箱内循环设有营养溶液，控制箱内设有pH控制器、冷却系统和环境调节系统，pH控制器将营养溶液的pH调节至5.5±0.2，冷却系统将营养溶液温度保持在27±1℃，环境调节系统将培养盒的温度控制在白天28℃、夜间25℃，光照强度为400～450μmol/(m2·s)，相对湿度设定为55％。
3.根据权利要求2所述的基于瓦屋状多边形的作物根系表型分析方法，其特征在于，所述图像采集装置下部设有可移动支架，图像采集装置包括相机和LED，相机和LED均安装在可移动支架上，相机与人机交互界面相连接，人机交互界面为Roots-AD图形用户界面；
所述Roots-AD图形用户界面采用Java语言开发、作为ImageJ的插件，Roots-AD图形用户界面包括自动化的图像预处理模块、根系特征测量模块以及测量数值和图像结果导出模块，系统使用轻量级的图形用户界面设置比例尺校准、选择输入和输出文件夹，及选择使用全自动模式或半自动模式；
所述Roots-AD图形用户界面生成两种类型的结果：将数值型的测量结果导出到逗号分隔的文件中，以便后续的统计分析；产生的输出图像用于说明不同的处理步骤的中间过程。
4.根据权利要求1或3所述的基于瓦屋状多边形的作物根系表型分析方法，其特征在于，所述步骤二中图像裁剪得到包含感兴趣区域的根系图像的方法为：将彩色图像上部的2200行删掉，下部的1000行删掉，左右两侧分别删除1000列，从而将培养盒的边框去除，从而保留培养盒内的图像区域，得到感兴趣区域的图像即为根系图像；
所述图像二值化的实现方法为：只保留根系图像中红色通道的颜色分量，然后通过滑动窗口进行自适应阈值处理得到二值化图像，其中，滑动窗口的大小是培养盒的圆柱形网格的间距。
5.根据权利要求4所述的基于瓦屋状多边形的作物根系表型分析方法，其特征在于，所述图像二值化中滑动窗口的阈值由Triangle三角法计算，或者滑动窗口的阈值的计算方法为：InterModes阈值分割法，对双峰模式的直方图使用平滑滤波迭代多次，直到只剩下两个最大的峰J与峰K，则阈值为T＝(J+K)/2；IsoData阈值分割法，给定一个随机阈值将根系图像分为对象部分与背景部分，计算对象部分与背景部分的均值，不断迭代，直到阈值大于复合均值为止，最终阈值T＝(背景像素均值+对象像素均值)/2；Mean均值方法，使用灰度图像计算所有像素值的均值作为阈值实现图像二值化分割；Otsu阈值分割方法，阈值是根系像素和背景的最大类间方差。
6.根据权利要求1或5所述的基于瓦屋状多边形的作物根系表型分析方法，其特征在于，所述二值化图像采用直径为4的圆形作为膨胀运算的结构元素进行处理，连接根系图像中可能断开的细根，采用腐蚀算法对根系图像进行腐蚀打磨，恢复根系原来的大小；
所述连通区域标记法的实现方法为：采用函数bwlabeln对根系的二值化图像进行连通区域标记，得到矩阵lts；采用函数max(max(lts))得到二值化图像中的连通区域的总数量ltszs；采用函数regionprops()获得各个连通区域的面积，最后只保留面积最大的连通区域的像素点，删除其余的像素点。
7.根据权利要求1或3所述的基于瓦屋状多边形的作物根系表型分析方法，其特征在于，所述步骤三中确定矩形区域的方法为：设根系二值化图像的左上角为原点，设定x轴为横向且向右为正方向，设定y轴为纵向且向下为正方向，查找根系二值化图像中各个根系像素点的坐标，根系像素点中最左端和最右端的像素点分别以Pleft和Pright表示，像素点Pleft的坐标为(x1,y1)，像素点Pright的坐标为(x2,y2)；根系像素点中最顶部的行中的最左侧和最右侧的像素点分别以Tleft和Tright表示，且像素点Tleft的坐标为(x3,y3)，像素点Tright的坐标为(x4,y4)，y3＝y4；
从像素点Tleft所在的行y3开始，向下直到像素点Pleft和像素点Pright中y轴坐标较小的像素点所在的行为止即为y1或y2；将y1～y3两行之间、x1～x2两列之间所包围的区域或者y2～y3两行之间、x1～x2两列之间所包围的区域作为矩形区域。
8.根据权利要求7所述的基于瓦屋状多边形的作物根系表型分析方法，其特征在于，所述在矩形区域内进行二均值聚类得到根系分布稠密的阈值线的方法为：
Step1：在矩形区域中按行查找每行的最左侧像素点FLi和最右侧像素点FRi，最左侧像素点FLi坐标为(xli,yli)，最右侧像素点FRi坐标为(xri,yri)；yli与yri的取值为y1～y3；i表示每行像素点的下标；
Step2：计算矩形区域内的每行中最左侧像素点FLi到最右侧像素点FRi的距离di；
Step3：统计矩形区域内的每行中根系像素点的数量ri；
Step4：计算矩形区域内的每行中根系像素点的填充率tci＝ri/di；
Step5：循环步骤Step1～Step4，将填充率tci进行二均值聚类，计算二均值聚类所产生的阈值threshold；查找填充率tci中与阈值threshold差值最小的填充率tcw，则将填充率tcw对应的w行标记为实线段，实线段上最左侧和最右侧的根系像素点分别为Wleft和Wright，根系像素点Wleft的坐标分别为(x5,y5)，根系像素点Wright的坐标为(x6,y6)，其中，w为介于y1～y3的数值，y5等于y6；
线段WleftWright是二均值聚类的阈值线，阈值线的上方根系分布稠密，呈密集缠绕状态；阈值线的下方则根系相对分散开。
9.根据权利要求8所述的基于瓦屋状多边形的作物根系表型分析方法，其特征在于，所述瓦屋状多边形的构建方法为：查找根系二值化图像中最底部的像素点Plow的坐标为(x7,y7)，且y轴坐标值最大的根系像素点存在多个时，选取x轴坐标值最小的像素点作为最底部的像素点Plow；
直线TleftWleft与经过像素点Pleft所在列的直线的交点为像素点Mleft，设像素点Mleft的坐标为(x8,y8)；直线TrightWright与经过像素点Pright所在列的直线的交点为像素点Mright，设像素点Mright的坐标为(x9,y9)；
选择像素点Mleft和像素点Mright在y轴坐标最大的值y9或y8作为B点的y坐标，B点的x坐标由直线TleftWleft与经过y9或y8所在行的直线的交点处的x坐标值确定，设定交点处的x坐标值为x10，则B点的坐标为(x10,y9)或(x10,y8)；
选择像素点Mleft和像素点Mright两个像素点在y轴坐标最大的值y9或y8作为C点的y坐标，C点的x坐标由直线TrightWright与经过y9或y8所在行的直线的交点处的x坐标值确定，设定交点处的x坐标值为x11，则C点的坐标为C(x11,y9)或(x11,y8)；
像素点Plow的y坐标为D点的y坐标，B点的x坐标为D点的x坐标，得到D点的坐标为(x10,y7)；像素点Plow的y坐标为E点的y坐标，C点的x坐标为E点的x坐标，得到E点的坐标为(x11,y7)；
将像素点Tright、Tleft、B、D、E、C依次用线段连接起来，得到多边形TrightTleftBDEC为瓦屋状多边形，瓦屋状多边形的上部为梯形TrightTleftBC、下部为矩形BDEC。
10.根据权利要求9所述的基于瓦屋状多边形的作物根系表型分析方法，其特征在于，所述根锥角是根系透入土壤的扩展角度，采用瓦屋状多边形的上部梯形的两条斜边TleftB与TrightC的夹角表示；所述瓦屋状多边形的几何参数包括整体高度、整体宽度、上部梯形的高度、下部矩形的高度、下部矩形的宽度、相对偏移，所述相对偏移为上部梯形的上底和下底的垂直平分线的距离；所述瓦屋状多边形的梯形和矩形分为多个区域将根系空间分解多个区块，区块的根系密度为区块中根系像素数与该区块像素数的比值，确定各个区块的根系密度，根系密度反映了根系在空间的密度分布；
人机交互界面的Roots-AD图形用户界面可显示各个区块的根系密度，各个区块的根系密度在根部密度条中能找到对应值；
瓦屋状多边形的上部梯形中的根系称为浅层根，瓦屋状多边形的下部矩形中的根系称为深层根；所述深根数量通过选择根系在矩形区域的放大图像测量计算，并在Roots-AD图形用户界面中将各条根的直径以相应的圆盘表示，并标注出来；
从瓦屋状多边形的两个隔室的高宽比进行分类：上部梯形构成的隔室视为三角形，利用Hroof表示上部三角形的高度，Hwall表示下部矩形的高度，Lwall表示下部矩形的宽度，通过总结分析不同水稻品种的根系图像，呈现不同的性状模式，即Hroof与Hwall、Hroof与Lwall具有不同的比例关系。
CN202010478994.3A 2020-05-29 2020-05-29 基于瓦屋状多边形的作物根系表型分析装置及方法 Active CN111627031B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010478994.3A CN111627031B (zh) 2020-05-29 2020-05-29 基于瓦屋状多边形的作物根系表型分析装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010478994.3A CN111627031B (zh) 2020-05-29 2020-05-29 基于瓦屋状多边形的作物根系表型分析装置及方法

Publications (2)

Publication Number Publication Date
CN111627031A true CN111627031A (zh) 2020-09-04
CN111627031B CN111627031B (zh) 2023-02-28

Family

ID=72260709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010478994.3A Active CN111627031B (zh) 2020-05-29 2020-05-29 基于瓦屋状多边形的作物根系表型分析装置及方法

Country Status (1)

Country Link
CN (1) CN111627031B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113100207A (zh) * 2021-04-14 2021-07-13 郑州轻工业大学 基于小麦病害信息的精准配方施药机器人系统及施药方法
CN114467607A (zh) * 2022-02-08 2022-05-13 新疆维吾尔自治区阿克苏地区林业和草原局 干旱区超大图文模型绿化种植方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100322518A1 (en) * 2009-06-23 2010-12-23 Lakshman Prasad Image segmentation by hierarchial agglomeration of polygons using ecological statistics
CN104751199A (zh) * 2013-12-30 2015-07-01 华中科技大学 一种棉花裂铃期自动检测方法
CN109711284A (zh) * 2018-12-11 2019-05-03 江苏博墨教育科技有限公司 一种考试答题卡系统智能识别分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100322518A1 (en) * 2009-06-23 2010-12-23 Lakshman Prasad Image segmentation by hierarchial agglomeration of polygons using ecological statistics
CN104751199A (zh) * 2013-12-30 2015-07-01 华中科技大学 一种棉花裂铃期自动检测方法
CN109711284A (zh) * 2018-12-11 2019-05-03 江苏博墨教育科技有限公司 一种考试答题卡系统智能识别分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭翰林等: "基于HSV空间再生稻植株与土壤背景图像分割", 《农机化研究》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113100207A (zh) * 2021-04-14 2021-07-13 郑州轻工业大学 基于小麦病害信息的精准配方施药机器人系统及施药方法
CN113100207B (zh) * 2021-04-14 2022-11-22 郑州轻工业大学 基于小麦病害信息的精准配方施药机器人系统及施药方法
CN114467607A (zh) * 2022-02-08 2022-05-13 新疆维吾尔自治区阿克苏地区林业和草原局 干旱区超大图文模型绿化种植方法
CN114467607B (zh) * 2022-02-08 2023-01-24 新疆维吾尔自治区阿克苏地区林业和草原局 干旱区超大图文模型绿化种植方法

Also Published As

Publication number Publication date
CN111627031B (zh) 2023-02-28

Similar Documents

Publication Publication Date Title
Das Choudhury et al. Leveraging image analysis to compute 3D plant phenotypes based on voxel-grid plant reconstruction
Bao et al. Field-based architectural traits characterisation of maize plant using time-of-flight 3D imaging
Malambo et al. Automated detection and measurement of individual sorghum panicles using density-based clustering of terrestrial lidar data
Paul et al. Characterisation of mycelial morphology using image analysis
CN111540006B (zh) 基于深度迁移学习的植物气孔智能检测与识别方法及系统
CN111627031B (zh) 基于瓦屋状多边形的作物根系表型分析装置及方法
Jiang et al. Quantitative analysis of cotton canopy size in field conditions using a consumer-grade RGB-D camera
CN110400322A (zh) 基于颜色和三维几何信息的水果点云分割方法
CN102855485B (zh) 一种小麦抽穗的自动检测方法
Choudhury et al. Automated vegetative stage phenotyping analysis of maize plants using visible light images
Liu et al. Automated classification of stems and leaves of potted plants based on point cloud data
Du et al. Greenhouse-based vegetable high-throughput phenotyping platform and trait evaluation for large-scale lettuces
CN115641335B (zh) 基于时差培养箱的胚胎异常多级联智能综合分析系统
CN110610438B (zh) 一种农作物冠层叶柄夹角计算方法及系统
CN116188489A (zh) 一种基于深度学习和几何校正的麦穗点云分割方法和系统
CN111695477A (zh) 基于图像处理组合技术的贝类外部形态参数测量方法
Zhao et al. A backlight and deep learning based method for calculating the number of seeds per silique
CN117765006A (zh) 基于无人机影像与激光点云的多层次密集树冠分割方法
CN111932551A (zh) 一种水稻插秧机的漏插率检测方法
CN109214393B (zh) 一种多孔培养板板孔菌群生长情况图像检测方法及系统
Liu et al. DIRT/3D: 3D phenotyping for maize (Zea mays) root architecture in the field
CN113344008B (zh) 基于深度学习的茎秆组织解剖学特征参数高通量提取方法
CN113487636B (zh) 基于激光雷达的宽垄作物株高及行间距自动提取方法
Liu et al. Extraction of Wheat Spike Phenotypes From Field-Collected Lidar Data and Exploration of Their Relationships With Wheat Yield
Zhou et al. Maize-pas: Automated maize phenotyping analysis software using deep learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant